目标检测
文章平均质量分 84
一个热爱学习的深度渣渣
本科软件工程,目前从事算法相关工作,欢迎志同道合的伙伴交流~
展开
-
四、RetinaNet论文总结
论文导读论文标题:Focal Loss for Dense Object Detection;提出疑问:为什么One-stage精度低?最主要的原因为:在一张图片中,目标所占的比例远小于北京所占的比例,也就是正负样本不均衡,负样本过多;这会造成以下两个问题:1、针对负样本来说,数量过多造成它的loss太大,以至于主导了损失函数,不利于收敛;2、针对单个负样本来说,简单负样本的loss很小,反向计算时梯度小,梯度小造成简单负样本对参数的收敛作用有限,我们需要loss大的对参数收敛大的样本,也就是困原创 2021-10-18 10:51:19 · 1551 阅读 · 0 评论 -
三、FPN论文总结
三、FPN论文总结论文导读主要作用:对金字塔特征的网络集成;用于解决小目标问题;意义:结合了浅层的高分辨率和深层的丰富语义,FPN不是独立的目标检测算法,而是一个backbone;论文概要摘要1、特征金字塔是识别不同大小物体的基本组成部分;2、我们利用深度卷积网络固有的多尺度金字塔层次结构来构建特征金字塔;3、开发了具有横向连接的自上而下的体系结构,以构建各种规模的高级语义特征图;4、该方法可以在GPU上以6FPS的速度运行,是一种实用且准确的多尺度目标检测解 决方案;设计理念:FPN原创 2021-10-11 15:02:17 · 667 阅读 · 0 评论 -
YOLOv4改进
YOLOv4改进1、Mosaic data augmentation(马赛克数据增强)实现:参考CutMix将四张图像拼成一张进行训练;2、DropBlock实现:类似于Dropout,但是从随机选点变成随机选块;3、Label Smoothing(标签平滑)作用:解决过拟合的问题,让网络不过于"自信";实现:例如将原来的标签(0,1)—> (0.05,0.95);结果:使用了标签平滑能够使得同类别更紧密,不同类别间更分离;4、损失优化IOU损失(1-IOU)说明:在V原创 2021-10-10 23:00:59 · 1595 阅读 · 0 评论 -
二、SSD网络原理及代码讲解
二、SSD论文导读全称:Single Shot MultiBox Detector说明:仅需要单个神经网络的目标检测方法,可以在不同分辨率的特征图下进行预测;论文概要1、多尺度特征图用大特征图来检测小目标,小特征图来检测大目标(同YOLOv3)2、卷积检测直接使用卷积输出边框回归和类别预测,好处就是减少了计算量(同YOLOv3)如上图所示,用于预测的feature map是5x5x256,anchor box为3,一共生成5x5x3=75锚框;用于定位的卷积层输出为5x5x(4x3),原创 2021-09-27 21:11:45 · 2048 阅读 · 0 评论 -
一、YOLO-V3论文总结
一、YOLO-V3论文解读论文导读YOLO-V11、基于深度神经网络的目标检测:双阶段(two-stage):第一级网络用于候选区提取,第二级网络对提取的候选区域进行分类和精确坐标回归,例如RCNN系列;单阶段(one-stage):摒弃了提取候选区这一步,只用一级网络就能完成分类和回归两个任务;2、YOLO-V1原理一次性输出所检测到的目标,包括类别和位置;只要求这个物体的中心在某个grid(网格);每个grid都预测出B个bounding boxs,这个bounding b原创 2021-09-16 18:17:11 · 860 阅读 · 0 评论